ThearchyHelios 2371e75f17 评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段） ...

为什么：第 2 波只有题集和期望答案的来源，评测本身跑不起来。这一段把细案 01 做法 9–12、16、17 的后端接上，
量的是用户在问数据页拿到的同一轮，而不是另抄一份编排。

- eval/answer.py：无头作答，串起 answer_ops → chat/turn 的决定 → launch_run(origin=eval，带目录视图、只读、遮罩)
  → 等终态（停在审批的取消、记「评测不代批」；驳回记路径「被驳回」）→ review_of_run → 按同一规则重来一次；
  工作流题按钉住版本的图跑探索运行（不发正式运行，免得被 pick_base 和应用视图取到）。用量按角色记
- eval/runner.py：用 core/job_runtime，一次评测一个任务，题 × 重复 × 臂一项；A/B 几臂共用期望、同一题同时开跑；
  开评拍目录快照、记上传表格版本和表结构哈希的前后；并发不超过 max_parallel 和全局并发的四分之一；每题时限；
  评测单独一本账（开跑前估算、每题预留后找补、触顶不再开新题）；止损；能停、只重试没做完的、重启标中断不续跑
- eval/score.py：六种期望、五种结论（量纲不同单列）、维度配对与弱匹配、路径不对直接不通过、口径 dual 两版都报；
  逐题 E1 用口径账本的 compare_queries（总方案 X2，不另写 signals）；SCORER_VERSION 可重评（eval/rescore.py，只读封存）
- eval/judging.py：结论裁判走按需裁判同一条路（evidence._judge_now），文字要点由裁判判、单列不计准确率；花费经
  judge.charged_to 记在评测那本账上（engine/judge.py 只加了一个上下文变量和取账本的一处）
- eval/stats.py、eval/compare.py：准确率与可追溯准确率 + Wilson 区间、各项分布、P50/P90、按角色成本、引用率、逐题 E1；
  选基准、逐题转移与归因、指纹差异、A/B 配对表与精确 McNemar；「目录贡献」预设对照（当前 vs 关，可加只用已核实）
- eval/cleanup.py + core/artifact_store.forget：保留最近 N 次 + 钉住的基线 + A/B 另几臂，删结果、明细工件、底下的运行和
  引用行，工件文件一条引用都不剩才删；总表永久保留
- engine/tolerance.py：双盲复算的 _agree / _delta_pct 原样搬来共用（dual_check 改 import，行为不变）
- 设置加 eval 一组（builder 读、admin 写）和 GET /api/settings/eval/spend；题集预算在全站缺省上覆盖，每日上限只能往下收
- api/evals.py：发起（单臂 / A/B / 目录贡献预设）、估算、进度、逐题、停止、重试、重评、钉基线、和上一次比、配对表、清理
- main.py 的 lifespan：影子起草和评测的启动整理、关停（评测先于运行停，停时取消自己发起的运行）
- 测试：test_eval_e2e（dual_check_shop + 剧本模型：按支付日 330 通过且 SQL 等价，按下单日 310 不通过、差在 time；
  目录对照 1:0；和上一次比找到退步、归因做法变）；通知事件、定时接口形状的老测试按新事件和新字段更新

2026-10-16 16:38:09 +08:00

..

fakes

访问密钥与服务账号的后端（下一轮第 2 波 W2-d，细案 04 A1–A6、总方案 X8）

2026-10-16 13:48:09 +08:00

fixtures

合入 W2-c 评测题集与期望答案：题集、题目、评测、结果的数据模型；三种期望来源（SQL、口径、从运行认定），每次以评测来源的探索运行重算，遮罩列拒收；口径升版的三种处置；全站唯一的派生图生成器 ledger/derive.py；目录快照与影子起草（不碰线上目录、不查业务库）；题集导出导入；零售样例题集

2026-10-16 15:38:11 +08:00

blueprint_samples.py

普通用户建应用（后端）：

2026-10-15 12:09:29 +08:00

bundle_samples.py

可验证报告、报告导出写「被驳回」：元信息带 end_reason，核对仍按运行取消

2026-10-16 12:46:48 +08:00

conftest.py

复核套件骨架（后端）：先把后续几个工作包要用的位置占好，各包只改自己的文件。节点类型加双盲复算 dual_check、反方审稿 challenge，执行器是占位（记一条 info 日志后跳过，产出 skipped 和原因），校验按普通节点走，叫法进 labels，暂不写进助手的节点说明。出具契约留一个通用口子：成果节点上游任何节点产出里的 issuance_gaps（字符串列表）收进缺口，前面加上「节点类型「节点名」：」，出具随之降档、不会升档；只认这个成果的上游，写坏的条目跳过。路由先登记 schedules、compare、bundle、inquiry、whatif 五个空前缀，挂在 /api/runs 下的四个排在 runs.router 之前，以后加固定路径不会被 /{run_id} 吃掉。定时任务的调度先放空的 start / stop，AGENTLAB_SCHEDULER 默认开、0 / false / off 关，写进设置；启动时开着才 start，测试环境默认关

2026-10-04 23:40:20 +08:00

eval_samples.py

评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段）

2026-10-16 16:38:09 +08:00

ledger_samples.py

口径账本：合并查询的格照实写为什么没比对；账本测试按用例各用一个数据源隔开

2026-10-16 14:23:41 +08:00

test_acceptance_retail_fixture.py

真实模型验收用的虚构零售库：60 天订单截止昨天，埋退款行、下单日和支付日错开、取消单三个口径陷阱，华南每周都高于华东（供反方审稿推翻错话），手机号列供遮罩验收；append_day 给定时任务验收制造「只数据变」；测试守住陷阱确实在、同一天生成的库一样

2026-10-06 11:44:58 +08:00

test_access_key_gate.py

访问密钥与服务账号的后端（下一轮第 2 波 W2-d，细案 04 A1–A6、总方案 X8）

2026-10-16 13:48:09 +08:00

test_access_key_use.py

访问密钥收尾：服务账号进授权不进岗位的测试、关停时写请求记录的测试，几处整理

2026-10-16 14:15:51 +08:00

test_access_keys.py

访问密钥收尾：服务账号进授权不进岗位的测试、关停时写请求记录的测试，几处整理

2026-10-16 14:15:51 +08:00

test_action_assertion.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_agent_cited_fields.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_agent_guards.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_agent_steps.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_aiosqlite_close.py

并行支路一条失败时，运行不再永久卡在 running

2026-09-25 15:20:46 +08:00

test_api_messages.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_app_access_scope.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_app_backfill.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_app_catalog.py

普通用户建应用（后端）：

2026-10-15 12:09:29 +08:00

test_app_endpoint_masks.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_app_forms.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_app_instance_page.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_app_platform_v1.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_app_polish_scope.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_app_principal_directory.py

复测收尾：账号密码登录时应用检查和授权接口核对名录（没有的、已停用的报错或拒收，单点登录只提醒），名录口径收成 auth/directory 一处；受管发布版在页头、版本历史、选择器、发布前检查里按发布级别写，草稿和发布版内容相同时照实说；写入能力在工具库写「只演练」；印章的「截至」只写一次；走驳回出口到达的结局不用成功样式；停着等人时说在等哪一步，同页已有会签进度时待办状态不再画一遍，名单写显示名；应用编辑器可以归档（写清后果），已归档的应用拒收草稿修改和发布；受管发布成功的提示写明受管；权限测试按 id 取应用，不撞别的测试留下的同名应用

2026-10-15 08:35:28 +08:00

test_app_spec_tools.py

普通用户建应用（后端）：

2026-10-15 12:09:29 +08:00

test_app_use.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_app_versions.py

复测收尾：账号密码登录时应用检查和授权接口核对名录（没有的、已停用的报错或拒收，单点登录只提醒），名录口径收成 auth/directory 一处；受管发布版在页头、版本历史、选择器、发布前检查里按发布级别写，草稿和发布版内容相同时照实说；写入能力在工具库写「只演练」；印章的「截至」只写一次；走驳回出口到达的结局不用成功样式；停着等人时说在等哪一步，同页已有会签进度时待办状态不再画一遍，名单写显示名；应用编辑器可以归档（写清后果），已归档的应用拒收草稿修改和发布；受管发布成功的提示写明受管；权限测试按 id 取应用，不撞别的测试留下的同名应用

2026-10-15 08:35:28 +08:00

test_approval_default.py

可点击证据第三期：表名字段名和引文也点得开、可疑实体与结论句、受管门禁 G1–G5、证据审计导出

2026-09-29 05:26:34 +08:00

test_approval_report_check.py

交给人工审批的报告，探索运行也在节点里裁判结论句：审批人批准前就能看到判了几句、几句证据相矛盾。按需裁判要等运行封存之后才能判，封存前放开会动证据清单的完整性约束，所以这种报告改在节点里当场判，和正式运行同一条路；没有审批的探索运行照旧按需判，不在节点里花钱。审批节点审哪几份报告的认法抽成 reviewed_report_ids，审批卡和报告节点共用，两边说的「要人审」对得上。审批卡上没开裁判的探索报告改写「这份报告没有开启结论句裁判……开启后，交给审批的报告会在批准前判完」；开了裁判却没在节点里判的老运行另给一句。助手指引、出口契约注释、前端类型注释同步；审批暂停时按需裁判仍拒绝，测试改成只看点击不多一次调用

2026-10-04 12:03:14 +08:00

test_approval.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_auth_access.py

复测收尾：账号密码登录时应用检查和授权接口核对名录（没有的、已停用的报错或拒收，单点登录只提醒），名录口径收成 auth/directory 一处；受管发布版在页头、版本历史、选择器、发布前检查里按发布级别写，草稿和发布版内容相同时照实说；写入能力在工具库写「只演练」；印章的「截至」只写一次；走驳回出口到达的结局不用成功样式；停着等人时说在等哪一步，同页已有会签进度时待办状态不再画一遍，名单写显示名；应用编辑器可以归档（写清后果），已归档的应用拒收草稿修改和发布；受管发布成功的提示写明受管；权限测试按 id 取应用，不撞别的测试留下的同名应用

2026-10-15 08:35:28 +08:00

test_auth_identity.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_autofix_assist.py

应用平台 BE-4 助手：按需查看（默认只给数据源概览、look 行停下执行接着写、一次拿齐、每轮 3+1 次、系统代为查看、查看记录进历史），生成过程可插拔（Applier / Checker 注入、ask 结束本轮），查看对象按类型标记并实现表 / 能力 / 工作流版本三种（表详情与 db_schema__、/schema 共用并按遮罩规矩），应用润色接口 /copilot/app-stream，从运行提取模板记来源，演示模型走一次查看（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_autofix_governance.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_autofix_graph_defaults.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_autofix_rules.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_blueprint_data_sources.py

蓝图「看哪些数」对到的数据源和表要真的存在：卡片上照实说是哪一项、怎么改（bp.data_source_unknown / bp.data_table_unknown，带白话），挡住试运行和发布单，助手自查也拿得到；填报登记里本应用的记录表写 @records、表名固定，提示词和模板说明写明这个约定；「对到的表」改成从已接入的数据源和表里选，填报登记多一项「本应用的记录表」，卡片上照白话显示（以前要到试运行才报「绑定的工具不存在」，用户找不到在哪改）

2026-10-15 14:32:25 +08:00

test_blueprint_generation.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_blueprint_ops.py

写回卡片加「结果不明时谁去核实」：写回的目标能力没登记查询时，结果不明（请求发出去了、没拿到答复）平台查不了、也不自动重发，要有人去目标系统里核实；以前发布单报「写入结果不明时没人核实」「有一步还没指定谁来做」却在卡片上找不到地方改。

2026-10-15 17:31:20 +08:00

test_blueprint_starts.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_blueprint_template_run.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_blueprint_templates.py

自由形蓝图（后端）：按导入的图列出「谁来做」，只定由谁做；没绑时 bp.people_unbound 指向那张卡片

2026-10-16 10:34:18 +08:00

test_blueprint_trial.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_bubblewrap_probe.py

生产部署：prod.sh 直接运行，package-docker.sh 打 Docker 离线包（镜像 + 一键部署脚本 + 配置 + 说明）

2026-09-30 09:48:16 +08:00

test_bundle_api.py

可验证报告、报告导出写「被驳回」：元信息带 end_reason，核对仍按运行取消

2026-10-16 12:46:48 +08:00

test_bundle_build.py

可验证报告、报告导出写「被驳回」：元信息带 end_reason，核对仍按运行取消

2026-10-16 12:46:48 +08:00

test_bundle_masked_cards.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_bundle_masked_metrics.py

期 5 验收修复 N1 第 2 轮：取自遮罩格的指标只按确定取自遮罩列的认、转抄上游口径卡的也认；显示文字核对不误判正常写法，总览有一项无法核对就不给绿色的通过

2026-10-12 19:09:50 +08:00

test_bundle_masked_queries.py

可验证报告复核修复（第 2 轮）：SQL 解析不了的快照，口径卡同样整张只给 id；整行引用补全函数记法、按表函数的先后认；拒绝名单补别的会话的 SQL 原文

2026-10-06 19:21:23 +08:00

test_bundle_prose_export.py

期 5 验收修复 N1 第 2 轮：取自遮罩格的指标只按确定取自遮罩列的认、转抄上游口径卡的也认；显示文字核对不误判正常写法，总览有一项无法核对就不给绿色的通过

2026-10-12 19:09:50 +08:00

test_bundle_rejected.py

可验证报告、报告导出写「被驳回」：元信息带 end_reason，核对仍按运行取消

2026-10-16 12:46:48 +08:00

test_bundle_shown.py

期 5 验收修复 N1 第 4 轮：转抄上游口径卡按整张卡、每一次执行认（保守规则）；显示文字白名单收紧复核点名的几类，软换行和金额符号不再误伤

2026-10-12 23:01:09 +08:00

test_bus_attach.py

UI 重构：Copilot 进侧栏，三个页面共用一条助手流

2026-09-17 18:29:16 +08:00

test_caliber_from.py

集成收尾：前端约定写入后端实际返回的形状（应用详情只对 manage 给草稿、补算计划与结果、按名字的钩子行、能力字段审阅），去掉多种字段名都认的兼容解析；钩子按（应用, 名字）、应用助手对话按（应用, 建立人）加唯一索引，迁移前去重，插入改在保存点里、撞上就改用已有的那一行；口径卡固定的版本也须已发布且未退役，记级别之前有正式运行凭据的老版本启动时补记为已发布；证据面板和应用视图按列名遮端点快照（同一个函数），不再整张表遮掉；待办计数带上最新一条的时间，新待办通知不再漏；非管理员的搭建者不出模型接入的改动按钮

2026-10-14 22:08:33 +08:00

test_capabilities_registry.py

发布单的问题照实分清挡不挡发布：平台能力的治理默认在没人治理过时一直生效（在默认写好之前登记的 records_append 会停在「不许无人值守、没有查询能力」，填报登记出发布单时报写入不经确认、结果不明没人核实、要找管理员登记查询能力；管理员改过的同步不动）；发布摘要的三栏只列挡发布的问题，只是提醒的（视图要等第一次正式运行才有数之类）另列「提醒（不挡发布）」；确认按钮「每周一 09:00 自动出数」补上空格；检查脚本和测试跟上

2026-10-15 14:44:26 +08:00

test_capability_review.py

应用平台集成（后端访问面）：开登录后使用者的问数据只能是探索运行、节点与工具白名单、查询结果在工具边界遮罩且数据源强制只读、记忆与知识库范围不能自选，运行流按运行判读权限；对话按建立人隔离（应用助手对话要 manage）；能力字段语义的审阅队列与批量审阅；按需视图每日上限登记为设置项；通用设置接口不再读写登录设置；运行带来源、按来源筛选，审批带待办 id（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_catalog_api.py

大库的对象索引、探查范围和后台探查（next-round 03 A1），schema_view 预筛与按需加入、剖析事实的后端（A2、遗留 e 的底座）

2026-10-16 14:17:06 +08:00

test_catalog_assistant.py

大库的对象索引、探查范围和后台探查（next-round 03 A1），schema_view 预筛与按需加入、剖析事实的后端（A2、遗留 e 的底座）

2026-10-16 14:17:06 +08:00

test_catalog_draft_engine.py

数据目录闭环第一步（后端 A）复核修正：按比例止损只看每次调用的最终结局。服务方嫌额度太大退回 8192、结构化输出不支持或回了说明文字改走纯文本、429 / 5xx 退避重试之前的那次照旧记进用量和提醒，不进止损的窗口——它不花额度，也说明不了模型写不出来；重试用完仍出错的那一次照常算。以前额度上限 8192、不支持 json_schema 的 OpenAI 兼容网关上，并发的头几次调用全是这种重来，第一次额度用完就凑满 10 次里 7 次，那一段直接记没写出来、不再拆小

2026-10-14 09:59:19 +08:00

test_catalog_draft_facts.py

剖析与探查的方言修正（C1）和没有真库时的方言验证（C2）

2026-10-16 10:25:28 +08:00

test_catalog_draft_jobs.py

起草任务写进目录的项，修改时间取那一次写入的时间：宽表逐段落盘的每一段、整张表收尾各取一次当时的时间，不再整个任务都记成开始的那一刻（以前只在任务开始时取一次、截到秒，比任务的开始时间还早，也看不出哪一段是什么时候写进去的）；补一条用假时钟逐段核对的测试

2026-10-14 14:07:14 +08:00

test_catalog_draft_settings.py

测试：设置被整体拒收的两条断言改为比较请求前后的主题，不再假定同一测试进程里别的测试没改过它（并行全量时按顺序偶发失败）

2026-10-14 22:17:00 +08:00

test_catalog_draft.py

起草引擎按验收修正：列分段均分、超时拆小、段大小随模型减半、每段 8 次封顶、提醒、超时与没写出来的计数、模型留空的列、不插队、原因写清哪几段哪几列

2026-10-13 20:30:02 +08:00

test_catalog_impact.py

应用平台 BE-4 助手：按需查看（默认只给数据源概览、look 行停下执行接着写、一次拿齐、每轮 3+1 次、系统代为查看、查看记录进历史），生成过程可插拔（Applier / Checker 注入、ask 结束本轮），查看对象按类型标记并实现表 / 能力 / 工作流版本三种（表详情与 db_schema__、/schema 共用并按遮罩规矩），应用润色接口 /copilot/app-stream，从运行提取模板记来源，演示模型走一次查看（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_catalog_merge.py

数据目录重新起草不丢内容；库注释就是名字本身或标识符写法的不当中文名

2026-10-13 20:30:02 +08:00

test_catalog_patch.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_catalog_profile_jobs.py

剖析的范围在开始时定：排在起草后面的剖析任务，开始时按起草后的目录重挑要剖析的表

2026-10-15 19:43:29 +08:00

test_catalog_profile_units.py

剖析与探查的方言修正（C1）和没有真库时的方言验证（C2）

2026-10-16 10:25:28 +08:00

test_catalog_profile.py

大库的对象索引、探查范围和后台探查（next-round 03 A1），schema_view 预筛与按需加入、剖析事实的后端（A2、遗留 e 的底座）

2026-10-16 14:17:06 +08:00

test_catalog_publish_drift.py

数据目录 F3 / B1 服务端：SQL 只写在 Agent 里的模板也提醒目录变化——发布记录分直接引用和可能涉及两组，Agent 和协作成员绑定了查询工具的源记下所有有目录的表，正式运行两组都比、每张表标明属于哪一组；只记了直接引用的旧记录照旧按直接引用比；哪些节点算写死的查询统一交给 tool_queries

2026-10-04 01:07:15 +08:00

test_catalog_reason.py

剖析不改人确认过的外键关系的基数：值不变、保存即确认的外键关系来源仍是 fk，以前 _patch_fk 不看状态，数据核实出的基数不同就直接改写，确认时的依据还挂着，前后矛盾；现在同 _patch_confirmed，不改人定的基数、也不标用数据核实过，测量的说法照常写进备注

2026-10-14 16:11:04 +08:00

test_catalog_render.py

冻结的数据目录有了读取方：证据接口的查询步骤带上表结构快照 id 和这条查询用到的表当时的目录版本，证据面板写「数据目录：订单 第 3 版」；冻结时保留被驳回关系的编号和状态（不放内容），新增按冻结的那份重建 SQL 检查器的 frozen_checker，驳回过的外键关系不会被推回来

2026-10-04 02:00:17 +08:00

test_catalog_review_queue.py

审阅队列与进度按约定改：field_label 写给人看的完整位置（「表的有效记录条件」「列 status 的码值」「指向 members 的关联关系」，和表助手提案、导入冲突的说法同一个函数），列级的项另带 column；排在这里的原因写「被 N 次运行用到」，数的是运行（同「用过这张表的运行」的 total），同一次运行里查了几次、使用次数比运行次数多时两个都写（「被 2 次运行用到，使用 5 次」），table_usage 和优先级照旧按使用次数（同目录清单的「使用 N 次」和排序）；进度里的常用 20 张表和起草的默认范围是同一批（使用次数从多到少，用到的不够 20 张时按表结构的顺序补齐），top 只给 tables、items_total、items_confirmed，all 只给约定的四项；表助手背景里写这张表被几次运行用到、查询几次

2026-10-14 09:51:49 +08:00

test_catalog_runtime.py

测试里建的数据源用完就删：留在共用测试库里的源会混进助手的数据源清单、触发挑表，别的用例的结果随执行顺序变

2026-10-03 11:09:09 +08:00

test_catalog_schema_truncated.py

大库的对象索引、探查范围和后台探查（next-round 03 A1），schema_view 预筛与按需加入、剖析事实的后端（A2、遗留 e 的底座）

2026-10-16 14:17:06 +08:00

test_catalog_semantics.py

剖析的关系覆盖率把对不上类型的键算作没对上；升级前旧说法的剖析备注不再让目录升版本

2026-10-16 12:02:41 +08:00

test_catalog_store.py

A6 扇出检查只在一对多确有其事时报错误：关系人工确认过，或数据剖析在数据上核实过子表一侧的键不唯一（关系上记 cardinality_checked，子表太大没核对的不算）才给 error；只凭外键结构推出的一对多降为 warning，说法改成「可能重复计算」，下一步写确认关联表里每个键只有一行、或先汇总再关联；人工编辑提交里带的 cardinality_checked 不作数；级别说明「结果必然有误」改为不夸大的说法；2B、F1 的测试按新规则更新：外键 + verified → warning，剖析核实过 → error，人工确认 → error

2026-10-04 02:19:26 +08:00

test_catalog_terms.py

数据目录阶段 4A 术语：服务端上界面的目录校验报错改用界面的叫法，表类型写明细表、度量类型写可累加、关联关系两端写本表字段和目标表，给模型看的说法不变

2026-10-03 12:14:17 +08:00

test_catalog_transfer.py

导入目录：推断、有确证的项在校验之前去掉确认时的依据，手改过的文件里依据不合规也不再把整项跳过（照常只填空缺）；已确认、已驳回的项依据不合规照旧跳过

2026-10-14 16:11:04 +08:00

test_catalog_view.py

目录视图接缝 data/catalog_view.py（细案 01 做法 5，总方案 X7）：读目录的四处统一经它，「开目录 / 关目录 / 只用已核实的项 / 目录快照」的对照才做得了

2026-10-16 10:28:01 +08:00

test_challenge_masking.py

K3b 复核修正（第 1 轮）：数值格按位置认、(表达式).* 带外括号也整份遮、同名 CTE 按作用域认、认不全的写法名单合一、整份遮不再把每一格收成遮罩值、证据摘录分段遮、反方最后一道关只看正文

2026-10-07 01:09:36 +08:00

test_challenge_node.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_challenge_rationale_rules.py

验收第二轮的两处说法：审批质询整理回答那一步超时时，不再建议「缩小问题范围」（问题再小也要整理），改说调大时长上限或换用更快的核查模型，查询中途触顶的那句另补上可调大上限；反方判「被推翻」却没给理由时一句话说清「但没有给出理由」，不再先说「理由没有引用到任何查询结果」再接「反方没有给出理由」，固定的那句补上句号

2026-10-12 15:55:19 +08:00

test_chat_turn_policy.py

问数据一轮的「决定」下沉到后端 chat/turn.py，问数据页照后端给的走（细案 01 做法 1，总方案 2.1）；这一轮的花费 = 助手 + 运行 + 复核

2026-10-16 10:59:15 +08:00

test_claims_prefilter.py

可点击证据第四期：结论句由模型裁判；只引单元格的问数据图能发成受管

2026-09-29 11:10:53 +08:00

test_code_evidence_role.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_code_output.py

代码节点的变量不再带着 print 的换行：一个变量不该有两种判定

2026-09-24 23:15:19 +08:00

test_compare_api.py

运行对比的默认基准（GET /api/runs/{id}/compare/base）带上 previous：基准是不是紧挨着的上一次，取 pick_base 现成算好的那个值，和定时任务自动对比记下的 previous 同一个语义

2026-10-06 16:42:29 +08:00

test_compare_engine.py

运行对比加固（收尾）：区域等维度列设了遮罩时照样拿它核对两次引用的是不是同一批行，说明只写行号、不写值，挤出引用行段的和真的少了分得清，没挪的照常是数据变化；补单格反方向、归因维度按两边各自引用的行认、写入者改了配置时不严格拆分、并行支路查询四处守护用例

2026-10-05 16:41:59 +08:00

test_compare_guards.py

运行对比加固（收尾）：区域等维度列设了遮罩时照样拿它核对两次引用的是不是同一批行，说明只写行号、不写值，挤出引用行段的和真的少了分得清，没挪的照常是数据变化；补单格反方向、归因维度按两边各自引用的行认、写入者改了配置时不严格拆分、并行支路查询四处守护用例

2026-10-05 16:41:59 +08:00

test_continue_run.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_contract_cells.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_contract_citations.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_contract_claims.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_contract_fenced_body.py

出口契约认藏在代码块里的正文改为逐行标出代码：写明是文字的块不再因为一行 SQL、一行像 YAML 的键或 + / - 要点就整块当代码，公式、JSON、目录树这类像数据的行照代码看

2026-10-06 19:51:29 +08:00

test_contract_judge.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_contract_shapes.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_conversation_status.py

问数据：被驳回的那次尝试不写「已手动停止」，会话列表标「被驳回」

2026-10-16 12:46:36 +08:00

test_conversations_isolation.py

应用平台集成（后端访问面）：开登录后使用者的问数据只能是探索运行、节点与工具白名单、查询结果在工具边界遮罩且数据源强制只读、记忆与知识库范围不能自选，运行流按运行判读权限；对话按建立人隔离（应用助手对话要 manage）；能力字段语义的审阅队列与批量审阅；按需视图每日上限登记为设置项；通用设置接口不再读写登录设置；运行带来源、按来源筛选，审批带待办 id（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_conversations.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_answer_ops.py

问数据一轮的「决定」下沉到后端 chat/turn.py，问数据页照后端给的走（细案 01 做法 1，总方案 2.1）；这一轮的花费 = 助手 + 运行 + 复核

2026-10-16 10:59:15 +08:00

test_copilot_approval_wording.py

助手写人工审批的说明不再许诺「正式出具」：真实运行里一次探索运行的审批写着「批准后才会正式出具」，成果节点也没有出具契约。节点手册的 human 一条写明只有成果节点配了出具契约、从已发布版本发起的正式运行才会出具，审批说明写「批准后输出」，运行类别由审批卡标明；自查新增 human_formal_issuance：这一轮写的审批标题、说明里有「正式出具」就交回模型改

2026-10-04 11:07:40 +08:00

test_copilot_blueprint_stream.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_copilot_challenge_guide.py

反方审稿复核修正：没有出处的结论不采信，推荐接法下审批卡有报告，重试和接着跑不重审、不拿旧审稿冒充

2026-10-05 15:08:53 +08:00

test_copilot_claims_default.py

助手搭多来源汇总的分析报告时默认开结论句裁判：节点手册的 report 一条写明几个 Agent 分头查库、或者几次查询合在一起写成的分析报告默认写 claims: judge，不写 judge 的预算（取设置里的默认），正式运行在节点里自动判、探索运行由读的人按需判，用户明确不要的不加。和受管级别「judge 必须写预算、拿不准就问」的取舍：那条只管要按受管级别发布的模板，普通草稿里默认开的 judge 不为预算问人；发布前修复缺预算要问的规矩不变。问数据路径原本定了不替人打开结论句策略，保留，并写明这条默认在问数里不适用

2026-10-04 11:10:28 +08:00

test_copilot_context.py

应用平台 BE-4 助手：按需查看（默认只给数据源概览、look 行停下执行接着写、一次拿齐、每轮 3+1 次、系统代为查看、查看记录进历史），生成过程可插拔（Applier / Checker 注入、ask 结束本轮），查看对象按类型标记并实现表 / 能力 / 工作流版本三种（表详情与 db_schema__、/schema 共用并按遮罩规矩），应用润色接口 /copilot/app-stream，从运行提取模板记来源，演示模型走一次查看（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_copilot_entity_guide.py

可点击证据第四期：结论句由模型裁判；只引单元格的问数据图能发成受管

2026-09-29 11:10:53 +08:00

test_copilot_evidence_guide.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_look.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_merge.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_patch_layout.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_prompt_evidence.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_scope.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_selfcheck.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_sql_alias.py

应用平台 BE-4 助手：按需查看（默认只给数据源概览、look 行停下执行接着写、一次拿齐、每轮 3+1 次、系统代为查看、查看记录进历史），生成过程可插拔（Applier / Checker 注入、ask 结束本轮），查看对象按类型标记并实现表 / 能力 / 工作流版本三种（表详情与 db_schema__、/schema 共用并按遮罩规矩），应用润色接口 /copilot/app-stream，从运行提取模板记来源，演示模型走一次查看（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_copilot_sqlcheck.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_copilot_stream.py

前端四处直接伤人的地方：输入法回车、覆盖别的图、停止不停、整站白屏

2026-09-25 15:41:30 +08:00

test_copilot_table_pick.py

按需求挑选不再总是「没挑出来，已把表目录交给助手」：挑选以为能关掉思考、只给 1024 的输出额度，可经 OpenAI 兼容接入的推理模型（DeepSeek、GLM、Kimi 这一类）收不到 thinking=off，想完就没额度写结果，回复是空的或 JSON 只写了一半，又被报成「不是约定的格式」。额度改成和证据裁判、核查同一档 16384，服务方嫌大时退回 4096（按接入和模型记在进程里、互相认），时限 20 秒放宽到 45 秒；结构化输出带原始回复，正文、工具调用参数里的 JSON 也认，<think> 里的草稿不算，正文里顺手写的 [1] 不算空结果；没成的原因照实分开说：被截断（带额度）、回复是空的、写了字却不是约定的格式，认不出的回复开头记进日志

2026-10-15 14:59:40 +08:00

test_copilot_truncation.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_csv_grid.py

配方导入只把 .csv / .tsv 当 CSV 读；网页、XML 冒充的 Excel 照旧拒收并说清楚

2026-10-16 12:23:19 +08:00

test_custom_tool_draft.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_custom_tool_schema.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_datasource_force_readonly.py

数据源查询工具加 force_readonly：核查的 agent 另起一路、没有审批关卡兜底，要查的源却可能可写。开了就不管源可不可写，一律按只读守卫检查：先过一遍和 run_query 相同的检查（多条语句、结构变更照原来的说法拒），再按只读判，写语句交回「这次查询只允许读取数据」、不执行，数据原样；查询照常落查询快照。工具描述跟着写「只读」，审批判定也不再把写语句当危险调用。只靠守卫这一道：连接池按源缓存、不分只读与否，不能为此另起一个只读池（缓存键相同，会把这个源平时用的可写连接换成只读）。build_datasource_tools 透传这个参数，不传时一切照旧

2026-10-05 00:26:04 +08:00

test_datasource_preview.py

大库的对象索引、探查范围和后台探查（next-round 03 A1），schema_view 预筛与按需加入、剖析事实的后端（A2、遗留 e 的底座）

2026-10-16 14:17:06 +08:00

test_datasource.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_datasources_upload.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_direct_select.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_directory_candidates.py

使用者选人（后端）：按用途给候选池，开登录时入口表单、待办表单的选人控件按同一个池核对

2026-10-16 10:24:22 +08:00

test_dual_check_config.py

双盲复算复核整改：指标自己的筛选范围不再写成有效记录条件，盲算不再看到原流程的列名，差异说明收窄到这一格

2026-10-05 15:54:03 +08:00

test_dual_check_executor.py

双盲复算复核整改：指标自己的筛选范围不再写成有效记录条件，盲算不再看到原流程的列名，差异说明收窄到这一格

2026-10-05 15:54:03 +08:00

test_dual_check_facts.py

目录修改提案的依据改存成目录项单独的字段 reason（界面上叫「确认时的依据」，最多 500 字，超了截成 499 字加「…」），不再拼进备注：拼进 note 之后，带依据保存的关联关系再剖析时测量的说法换不了新、和覆盖率那一栏对不上；改了值的关联关系旧依据叠在新依据后面、越存越长；值不变、保存即确认的项撤销审阅回到推断后「依据：使用者说……」还挂着，看起来像使用者确认过一条推断项。去留：值改了（关联关系也一样）换成这次的依据，没写就去掉旧的；值不变的确认换成这次的，不叠；单项确认、驳回留着，撤销审阅去掉；整份提交改了值的、状态改回推断的、双盲复算改写的去掉；剖析刷新关联关系的测量只动备注。校验认 reason（文字、最多 500 字），起草、剖析的合并不碰人工确认的项，导出导入时已确认、已驳回的项连依据一起带，推断、有确证的项不带。表助手背景里已有的依据写成「以前确认时的依据：……」，系统提示词和 propose_changes 的说明写清那不是这次对话里使用者说的话、引用时写「以前确认时的依据写着：……」，遮罩列的项不给。表详情里依据和说明分开写：表级的项在值下面另起一行，列的一格、关联关系另一个悬停图标（读屏念「确认时的依据：……」），状态弹层里也写，驳回的项只在弹层里写；check-catalog-loop 的假服务端照服务端记下依据，补依据和说明分开、弹层、驳回项的检查；README 表助手一行写上依据另存

2026-10-14 15:38:15 +08:00

test_dual_check_fixture.py

M4 复核修正：规范化后不同的行带上所在的子句，ON 挂在 JOIN 那一行的末尾

2026-10-07 01:34:59 +08:00

test_dual_check_node.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_dual_check_rationale_rules.py

M1 复核修正（第 3 轮）：依据两边什么都没有时也判粘连，两个数不再并成一个；只装着依据的括号认【】［］〔〕[]；右边紧贴着下文的半角逗号后面补空格

2026-10-12 12:24:14 +08:00

test_dual_check_upload.py

双盲复算写业务日期：真写按写入时的版本重读上传表格导入时认作日期的列，几个列表块写同一张表时每一块都记为日期才算

2026-10-06 18:03:12 +08:00

test_emit_order.py

运行和 Copilot 分成两层；顺带修了一个会丢事件的时序缺陷

2026-09-18 09:39:24 +08:00

test_endpoints.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_engine_cache.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_eval_cases.py

评测接口与题集导出导入、零售样例题集（第 2 波 W2-c）

2026-10-16 13:58:36 +08:00

test_eval_e2e.py

评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段）

2026-10-16 16:38:09 +08:00

test_eval_gold.py

评测期望的遮罩拒收测试：每种写法的期望直接写在参数里，不再用嵌套的条件表达式拼

2026-10-16 14:06:29 +08:00

test_eval_origin.py

系统派生的运行不进使用统计（总方案 X1、X2，细案 01 做法 4）：评测一跑，聚类、白名单、目录使用热度都会被刷高

2026-10-16 10:18:12 +08:00

test_eval_snapshots.py

评测题目的几处收紧：口径题只能固定已发布未退役的版本、处置升版后按新版本再核一遍、试算前结束读事务、影子起草分开记只写出一部分的表

2026-10-16 14:05:22 +08:00

test_evals_api.py

评测题目的几处收紧：口径题只能固定已发布未退役的版本、处置升版后按新版本再核一遍、试算前结束读事务、影子起草分开记只写出一部分的表

2026-10-16 14:05:22 +08:00

test_evidence_api.py

可点击证据第一期：报告里的每个数字都点得开出处

2026-09-28 11:47:23 +08:00

test_evidence_audit.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_challenge_marks.py

证据图的每份报告带上被反方审过的句子 → 判断（challenge_verdicts）：正文据此给被审句子挂句末标记，不逐句请求片段接口；和片段接口的 unit.challenge 共用同一个读审稿的迭代（_reviews），每句取最后跑完、审到了它的那次审稿，审稿记录丢了按产出里列的那几句，节点报错按审完时的日志；一句都没审的报告没有这个键

2026-10-06 12:02:03 +08:00

test_evidence_entities.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_entity_chain.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_judge_api.py

核查模型的输出额度改为 16384、服务方嫌大时退回 4096，截断照实说：工具循环、收尾的每次调用都看有没有到了上限被截断

2026-10-06 12:58:37 +08:00

test_evidence_judge.py

全量回归抓到的两处：裁判那本账留回 judge._today 这个日历名字；冻结表结构快照时 ctx 不一定带目录视图

2026-10-16 11:04:41 +08:00

test_evidence_legacy_guess.py

可点击证据第三期：表名字段名和引文也点得开、可疑实体与结论句、受管门禁 G1–G5、证据审计导出

2026-09-29 05:26:34 +08:00

test_evidence_legacy.py

可点击证据第三期：表名字段名和引文也点得开、可疑实体与结论句、受管门禁 G1–G5、证据审计导出

2026-09-29 05:26:34 +08:00

test_evidence_markers.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_mask_memo.py

M2 复核第 4 轮：报告自查认遮罩列和证据面板同一个口径，哪张表（含视图）里叫这个名字的列都算；结论句裁判的摘录按快照逐份遮确定取自遮罩列的列；没起别名、盖住全部结果列的表达式算确定取自遮罩列，值照收

2026-10-12 13:50:31 +08:00

test_evidence_masked_aliases.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_evidence_masks_like_bundle.py

M2 复核第 4 轮：报告自查认遮罩列和证据面板同一个口径，哪张表（含视图）里叫这个名字的列都算；结论句裁判的摘录按快照逐份遮确定取自遮罩列的列；没起别名、盖住全部结果列的表达式算确定取自遮罩列，值照收

2026-10-12 13:50:31 +08:00

test_evidence_metric_masks.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_evidence_on_demand_formal.py

M2 复核第 2 轮：报告自查按值认出正文里写着的遮罩值，只数个数的列不再判违规；遮没遮核对不了的输入写「无法核对」；整句面板挂的依据按证据图的标签写

2026-10-12 10:48:19 +08:00

test_evidence_query_catalog.py

证据接口查询步骤的 schema_artifact、catalog 只在这条查询对照过数据目录时才加：没有目录的源、老快照的查询步骤和以前一字不差（期 4 的金样逐字比对）

2026-10-04 02:35:33 +08:00

test_evidence_query_chain.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_quotes.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_see_brackets.py

M1 复核修正（第 3 轮）：依据两边什么都没有时也判粘连，两个数不再并成一个；只装着依据的括号认【】［］〔〕[]；右边紧贴着下文的半角逗号后面补空格

2026-10-12 12:24:14 +08:00

test_evidence_tidy_claims.py

结论句判定不再误伤定义句；数字后面重复的单位、see 前面多余的空格在渲染时去掉

2026-09-30 15:03:31 +08:00

test_evidence_unicode_names.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_evidence_validate.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_evidence_verify_status.py

证据接口测试跟上期 4 合并：反方审稿节点的产出带着 unreviewed（没能反查的句数），句子的 challenge 照样带上，两条整句比对的期望补上这个键

2026-10-06 11:37:22 +08:00

test_excel_p1_integration.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_expressions.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_extract_truncation.py

结构化抽取被截断时加大额度重试，仍截断就照实说是额度在推理阶段用完了

2026-10-04 11:02:06 +08:00

test_fan_in.py

汇合节点只跑一次：长短支路不再把它触发两遍，循环的 done 出口也不再被提前放行

2026-09-25 14:33:56 +08:00

test_files.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_fixtures_xlsx.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_frontend_type_unions.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_gov_wrapup.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_governance_judge.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_governance_report_lint.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_graph_checks.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_guardrails.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_health_record.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_inquiry_api.py

验收第二轮的两处说法：审批质询整理回答那一步超时时，不再建议「缩小问题范围」（问题再小也要整理），改说调大时长上限或换用更快的核查模型，查询中途触顶的那句另补上可调大上限；反方判「被推翻」却没给理由时一句话说清「但没有给出理由」，不再先说「理由没有引用到任何查询结果」再接「反方没有给出理由」，固定的那句补上句号

2026-10-12 15:55:19 +08:00

test_inquiry_masking_e2e.py

K3b 复核修正（第 1 轮）：数值格按位置认、(表达式).* 带外括号也整份遮、同名 CTE 按作用域认、认不全的写法名单合一、整份遮不再把每一格收成遮罩值、证据摘录分段遮、反方最后一道关只看正文

2026-10-07 01:09:36 +08:00

test_inquiry_masking.py

K3b：分档写在派生来源里、外层按它分组的标签列照常显示，和当分组键的 CASE 一样

2026-10-06 22:52:28 +08:00

test_inquiry_rationale_rules.py

验收第二轮的两处说法：审批质询整理回答那一步超时时，不再建议「缩小问题范围」（问题再小也要整理），改说调大时长上限或换用更快的核查模型，查询中途触顶的那句另补上可调大上限；反方判「被推翻」却没给理由时一句话说清「但没有给出理由」，不再先说「理由没有引用到任何查询结果」再接「反方没有给出理由」，固定的那句补上句号

2026-10-12 15:55:19 +08:00

test_inquiry_usage.py

追加事件收紧几处，封存后追加的质询不计进运行用量。复核提出：停在审批时追加只看运行还停着，关于第一张审批卡的质询问完时运行可能已经批过它、停到了第二张上，问答照样写进去；没有终态事件的老封存运行追加之后 verify 由一致变成不一致；返回给调用方的事件 id 和库里的不一样；测试证明不了先落库再广播；封存后追加的质询平时不计用量，继续运行之后又被计进去。

2026-10-05 01:18:03 +08:00

test_integration_errors.py

应用入口、按需视图的表单没通过校验也带 code（form_invalid），和待办回复、入站钩子同一个码

2026-10-16 10:33:41 +08:00

test_introspect_broken_view.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_introspect_constraints.py

数据目录阶段 1A：探查补读外键和唯一约束（读不到就跳过、不写键），新增 50 张表的合成景区库夹具

2026-10-03 09:30:50 +08:00

test_introspect_jobs.py

按复核意见修后台探查的三处退化（A-1、A-2、A-3）

2026-10-16 15:36:21 +08:00

test_issuance_matched.py

可点击证据第一期：报告里的每个数字都点得开出处

2026-09-28 11:47:23 +08:00

test_issuance_positions.py

可点击证据第一期：报告里的每个数字都点得开出处

2026-09-28 11:47:23 +08:00

test_issuance_upstream_gaps.py

出具缺口不再把节点类型说两遍：上游缺口的前缀在节点名就是类型叫法时只写一次（「反方审稿：」），双盲复算、反方审稿的缺口正文去掉自带的类型（「推翻了 1 句结论：…」「指标「X」两路结果不一致，审核人选择了盲算结果」）；时间线和报错里那句照旧带主语

2026-10-05 18:45:59 +08:00

test_issuance.py

出具校验认得中文数字了："增长三成、客户两千五百家"不再能盖 formal 章

2026-09-25 15:30:32 +08:00

test_job_runtime.py

后台任务运行时上移到 core/job_runtime.py（总方案 X5）：评测、后台探查都要用它，从 data 包里导入一个「数据目录的」运行时说不通

2026-10-16 09:59:44 +08:00

test_judge_entity_sql.py

结论句裁判看得到表名、字段名出现过的 SQL；讲算法的句子挂到那次查询上

2026-09-29 16:07:19 +08:00

test_judge_excerpt_masks.py

M2 复核第 4 轮：报告自查认遮罩列和证据面板同一个口径，哪张表（含视图）里叫这个名字的列都算；结论句裁判的摘录按快照逐份遮确定取自遮罩列的列；没起别名、盖住全部结果列的表达式算确定取自遮罩列，值照收

2026-10-12 13:50:31 +08:00

test_judge_provenance.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_judge_rework_api.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_judge_rework_engine.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_judge_rework_grading.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_judge_settings.py

核查模型的输出额度改为 16384、服务方嫌大时退回 4096，截断照实说：工具循环、收尾的每次调用都看有没有到了上限被截断

2026-10-06 12:58:37 +08:00

test_judge_truncation.py

证据裁判截断的回复整批不采信，截断另记 judge_truncated，时间线的下一步指到换模型

2026-10-06 14:30:15 +08:00

test_kb_progress.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_kb.py

工具审批三档、智能体护栏取代固定 12 步、检查脚本分道并行

2026-09-28 11:47:45 +08:00

test_layout.py

多 agent 节点在画布上展开协作矩阵，运行时的动效统一成一套语汇

2026-09-25 12:47:07 +08:00

test_ledger_api.py

口径账本：合并查询的格照实写为什么没比对；账本测试按用例各用一个数据源隔开

2026-10-16 14:23:41 +08:00

test_ledger_derive.py

评测题集与期望答案（第 2 波 W2-c）第一步：模型、派生图、期望的三种来源、目录快照与影子起草

2026-10-16 13:49:53 +08:00

test_ledger_match.py

口径账本：合并查询的格照实写为什么没比对；账本测试按用例各用一个数据源隔开

2026-10-16 14:23:41 +08:00

test_lint_contract_report_from.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_lint_process.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_look_large.py

大库的 look 预筛与按需加入、剖析事实四处一致、有效记录条件按 quote_name 加引号的测试；对象索引批量更新改走按表的 executemany

2026-10-16 14:26:04 +08:00

test_manage_api.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_markup_leak.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_masked_merge_queries.py

M2 复核第 2 轮：报告自查按值认出正文里写着的遮罩值，只数个数的列不再判违规；遮没遮核对不了的输入写「无法核对」；整句面板挂的依据按证据图的标签写

2026-10-12 10:48:19 +08:00

test_masked_metric_values.py

M2 复核第 2 轮：报告自查按值认出正文里写着的遮罩值，只数个数的列不再判违规；遮没遮核对不了的输入写「无法核对」；整句面板挂的依据按证据图的标签写

2026-10-12 10:48:19 +08:00

test_masking_excerpts.py

K3b 复核修正（第 1 轮）：数值格按位置认、(表达式).* 带外括号也整份遮、同名 CTE 按作用域认、认不全的写法名单合一、整份遮不再把每一格收成遮罩值、证据摘录分段遮、反方最后一道关只看正文

2026-10-07 01:09:36 +08:00

test_masking_opaque_sql.py

认不全写法的名单补上 Postgres 扩展里记着别的会话 SQL 的视图：pg_stat_monitor（语句原文）、pg_qualstats（条件里的常量）、pg_store_plans（执行计划），交回的就是带号码的原文，和 pg_stat_statements 同一类，工具边界整份遮、可验证报告只给哈希（K3b 统一复核留下的一条）

2026-10-12 13:14:36 +08:00

test_masking_reformatted_numbers.py

K3 复核修正（第 1 轮）：后面的查询按此前遮掉的值遮、质询工件照回答时记下的位置重放；表值函数拆开遮罩列也认；汇总遮罩列的指标不派盲算；反方理由按值遮

2026-10-06 19:11:14 +08:00

test_masking_star_renames.py

K3 复核修正（第 3 轮）：写了库名的表按「库名.表名」查表结构；UNION 第一支按表结构数出的列名要和后面每一支一样宽才用；整行引用、函数参数里的 *、表的列名表、TABLE x、PIVOT 这类认得出

2026-10-06 21:50:48 +08:00

test_masking_table_functions.py

K3b 复核修正（第 2 轮）：VALUES、行构造器里的 (表达式).* 和交回复合类型的表值函数整份遮；记着别的会话 SQL 的视图、不只读表结构的 SHOW 和 EXPLAIN 整份遮

2026-10-12 10:50:40 +08:00

test_masking_tool_boundary.py

test_masking_tool_boundary：查金额原值之前先去掉哈希——工件 id、快照里记的哈希是随机的十六进制，偶尔碰巧含「1200」，全量并行时偶发失败

2026-10-13 16:59:58 +08:00

test_masking_values_and_show.py

K3b 复核修正（第 3 轮）：VALUES 当一张表用又读到遮罩列的整份遮，列名按方言认；sys 库读 performance_schema 的 ps_* 函数进认不全的名单

2026-10-12 12:18:34 +08:00

test_masking_whole_rows.py

K3b 复核修正（第 1 轮）：数值格按位置认、(表达式).* 带外括号也整份遮、同名 CTE 按作用域认、认不全的写法名单合一、整份遮不再把每一格收成遮罩值、证据摘录分段遮、反方最后一道关只看正文

2026-10-07 01:09:36 +08:00

test_mcp_cache.py

应用平台 BE-1 治理底座：身份三种模式（off 默认 / local / oidc）、会话与 CSRF、中间件写入身份、角色与组与审计、按权限矩阵挂路由级依赖、运行与工件的读权限和 user 角色遮罩、reset-admin 找回；能力登记（同步、治理与乐观锁、发起快照、发布版本、作证判定）、登记的端点与平台执行器（分环境、演练、幂等头、身份断言、端点快照作证）、密钥加密与掩码、MCP 的 SSRF 与认证头、写入能力只进调用工具节点、正式运行里只读免审批的能力直接执行、四条 action.* 发布检查（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_merge_engine.py

数据目录 F3 一致性：查询结果的截断判定抽成 data/engine.py 的 RowCollector，查询层和合并查询都调它，不再各写一遍

2026-10-04 01:08:42 +08:00

test_merge_node.py

合并查询的警告带上结构化字段：键类型不一致带 keys、detail，行数放大带 rows、input、input_rows、duplicates，结果截断带 rows、max_rows，随运行日志一起发出，界面读字段，不再从中文原话里解析

2026-10-04 02:17:32 +08:00

test_merge_provenance.py

合并查询节点（二）：证据面板展示合并的输入、合并 SQL 和警告，被引用的格沿逐格来历追到输入的那一格并接上输入的查询步骤；推断来源穿过合并下钻到原表格子，追不到的判为没有逐格来历；裁判摘录写明合并的输入并按底层数据源遮罩

2026-10-03 09:36:20 +08:00

test_merge_sqlcheck.py

指标经过合并查询也认得出来源查询的 SQL 检查问题：合并快照没有自己的 checks，顺着 inputs 往下找，源库一对多重复计算的数不再经一次合并就完整出具

2026-10-03 10:40:47 +08:00

test_metric_lineage.py

可点击证据第一期：报告里的每个数字都点得开出处

2026-09-28 11:47:23 +08:00

test_metric_origin.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_metric_value_artifact.py

口径卡给容器型 vars 输入另存完整值（value_artifact），供数字推演重算

2026-10-05 03:26:43 +08:00

test_metrics_issuance.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_microvm_kvm.py

Docker 镜像内置 microVM：构建时装好运行时、预拉沙箱镜像；deploy.sh 检测到 KVM 先试启动一台，起得来才交给容器；没有 KVM 时服务端不再选 microVM

2026-09-30 11:19:25 +08:00

test_model_budget.py

核查、证据裁判退回小额度时多认两种拒绝，被嫌大过的接入记在进程里

2026-10-06 14:29:48 +08:00

test_model_error.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_names.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_nested_loops.py

嵌套循环的内层每轮都从头数：max_iterations 是"每进来一次"的上限，不是整次运行合计

2026-09-25 23:14:50 +08:00

test_net_fake_ip.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_notify_channels.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_notify_events.py

评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段）

2026-10-16 16:38:09 +08:00

test_notify_run.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_openai_stream_usage.py

模型不在价格目录里时运行金额写「金额无法估算」，不写 $0：真实运行里 token 记到了上百万，金额却是 $0，看着像没花钱。llm.end 发出时，用了 token、模型却不在价格目录里的标 unpriced（目录里标 0 价的本地模型不算）；运行用量按 llm.end 数出 unpriced_calls，成功的运行也补上（状态里的用量分不出 0 是免费还是没价）。运行详情、画布运行面板、航迹的金额：一分都没估出来写「金额无法估算」，估出一部分写「≥ $x」，悬停说几次调用不在价格目录中。check-trace 补断言；流式用量测试和注释里的真实调用次数换成概括说法

2026-10-04 12:27:38 +08:00

test_p3_api_errors.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_personal_apps.py

系统派生的运行不进使用统计（总方案 X1、X2，细案 01 做法 4）：评测一跑，聚类、白名单、目录使用热度都会被刷高

2026-10-16 10:18:12 +08:00

test_plain_layer.py

普通用户建应用（后端）：

2026-10-15 12:09:29 +08:00

test_positional_masks_elsewhere.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_process_actions.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_process_hooks.py

集成收尾：前端约定写入后端实际返回的形状（应用详情只对 manage 给草稿、补算计划与结果、按名字的钩子行、能力字段审阅），去掉多种字段名都认的兼容解析；钩子按（应用, 名字）、应用助手对话按（应用, 建立人）加唯一索引，迁移前去重，插入改在保存点里、撞上就改用已有的那一行；口径卡固定的版本也须已发布且未退役，记级别之前有正式运行凭据的老版本启动时补记为已发布；证据面板和应用视图按列名遮端点快照（同一个函数），不再整张表遮掉；待办计数带上最新一条的时间，新待办通知不再漏；非管理员的搭建者不出模型接入的改动按钮

2026-10-14 22:08:33 +08:00

test_process_tasks.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_profile_dialect_golden.py

剖析的关系覆盖率把对不上类型的键算作没对上；升级前旧说法的剖析备注不再让目录升版本

2026-10-16 12:02:41 +08:00

test_profile_dialect_units.py

ENUM / SET 只认 MySQL 带括号的写法；PostgreSQL 的域记底下的类型

2026-10-16 12:06:24 +08:00

test_profile_facts.py

大库的 look 预筛与按需加入、剖析事实四处一致、有效记录条件按 quote_name 加引号的测试；对象索引批量更新改走按表的 executemany

2026-10-16 14:26:04 +08:00

test_provenance_acceptance.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_provenance_api.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_provenance_contract.py

合并查询节点（二）：证据面板展示合并的输入、合并 SQL 和警告，被引用的格沿逐格来历追到输入的那一格并接上输入的查询步骤；推断来源穿过合并下钻到原表格子，追不到的判为没有逐格来历；裁判摘录写明合并的输入并按底层数据源遮罩

2026-10-03 09:36:20 +08:00

test_provenance_db.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_provenance_unchanged.py

M2 复核第 1 轮：合并查询按合并 SQL 认遮罩列，报告自查只拦确定取自遮罩列的格子，推演和证据面板对指标原值同一个判断，面板认法和可验证报告同一个函数

2026-10-12 10:17:40 +08:00

test_provenance.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_provider_ref_checks.py

模型接入报错收尾（第 1 轮复核，后端）：交给设置的核查、裁判落到演示模型照实说；给不出修复时说卡在哪里；接入名恰好是模型名那句按这一处检查器里有哪几栏写；修复规划只重算被改的节点；助手栏那一格另给一份说法；几处措辞对齐

2026-10-06 19:43:44 +08:00

test_provider_ref_landing.py

模型接入报错收尾（第 1 轮复核，后端）：交给设置的核查、裁判落到演示模型照实说；给不出修复时说卡在哪里；接入名恰好是模型名那句按这一处检查器里有哪几栏写；修复规划只重算被改的节点；助手栏那一格另给一份说法；几处措辞对齐

2026-10-06 19:43:44 +08:00

test_provider_ref_runtime.py

模型接入报错的说法与修复候选收尾（后端）：修复规划只否决这次改动造成的失败、问题只认自己那一处的修复、没有修复时提示不指到发布前检查、落到演示类接入照实说；各处说法对齐

2026-10-06 17:29:18 +08:00

test_provider_ref_wording.py

模型接入报错收尾（第 1 轮复核，后端）：交给设置的核查、裁判落到演示模型照实说；给不出修复时说卡在哪里；接入名恰好是模型名那句按这一处检查器里有哪几栏写；修复规划只重算被改的节点；助手栏那一格另给一份说法；几处措辞对齐

2026-10-06 19:43:44 +08:00

test_provider_resolution.py

模型接入报错收尾（第 1 轮复核，后端）：交给设置的核查、裁判落到演示模型照实说；给不出修复时说卡在哪里；接入名恰好是模型名那句按这一处检查器里有哪几栏写；修复规划只重算被改的节点；助手栏那一格另给一份说法；几处措辞对齐

2026-10-06 19:43:44 +08:00

test_public_url.py

对外访问地址只留一个：core/public_url.py 的 public_base_url()，通知、Webhook 链接、OIDC 回调、来源核对都改用它

2026-10-16 10:18:12 +08:00

test_publish_check_api.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_publish_plan.py

自由形蓝图（后端）：按导入的图列出「谁来做」，只定由谁做；没绑时 bp.people_unbound 指向那张卡片

2026-10-16 10:34:18 +08:00

test_publish_sqlcheck.py

数据目录 F2b / B3 跟进：合入 F2a 之后一对多关联后重复计算也可能只是提醒级（只凭外键推出的一对多），发布前检查不能再按规则编号认级别——服务端最小改动：门禁里 SQL 检查的问题带上检查本来的级别 sql_level（别的问题不带、序列化时不出现），界面按它写「错误 / 提醒」和拦不拦；老服务端不给时按受管档的 level 认；补后端测试和检查脚本

2026-10-04 02:52:43 +08:00

test_query_column_types.py

可点击证据第二期：取数链路打通、问数据的答案逐段可点；发布前自动修复

2026-09-28 21:20:04 +08:00

test_query_deadline.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_readonly_source.py

只读数据源真的只读了：WITH … DELETE 不再从首关键字下面钻过去，连接本身也写不进去

2026-09-25 14:44:56 +08:00

test_recipe_acceptance_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_acceptance.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_accumulate.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_ai.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_recipe_checks.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_recipe_compare.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_confirm_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_confirm.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_contract.py

列表中间像小计的行：照常导入、要人确认，带「改作小计核对」的修复按钮

2026-10-16 11:16:33 +08:00

test_recipe_diff_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_diff.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_recipe_e2e.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_engine_crosstab.py

Excel 导入改造期 4：证据下钻——报告里引用上传表格的数，点开能看到它来自原表格的哪一格；裁判核对时看得到来源、口径、接受理由和区域外文字

2026-10-02 14:38:10 +08:00

test_recipe_engine_list.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_engine_messages.py

列表中间像小计的行：照常导入、要人确认，带「改作小计核对」的修复按钮

2026-10-16 11:16:33 +08:00

test_recipe_engine_p3.py

列表中间像小计的行：照常导入、要人确认，带「改作小计核对」的修复按钮

2026-10-16 11:16:33 +08:00

test_recipe_fixes.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_imports_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_imports.py

配方导入只把 .csv / .tsv 当 CSV 读；网页、XML 冒充的 Excel 照旧拒收并说清楚

2026-10-16 12:23:19 +08:00

test_recipe_mutations.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_recipe_notes_p3.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recipe_notes.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_p5_e2e.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recipe_p5.py

配方导入只把 .csv / .tsv 当 CSV 读；网页、XML 冒充的 Excel 照旧拒收并说清楚

2026-10-16 12:23:19 +08:00

test_recipe_perf.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_recipe_select.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recipe_suggest.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recipe_validate_p3.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recipe_validate.py

Excel 期 5：列表按期累积、穿插的小计、表格对象起草、CSV 走配方（E）

2026-10-16 11:09:39 +08:00

test_recompute_followups.py

推演重算与口径卡共用取整函数，补推演两处测试缺口

2026-10-05 18:50:34 +08:00

test_recompute.py

证据接口复核整改（后端）：反方审稿带整份报告的真实计数、跑停运行的审稿照样认得，双盲复算的跳过原因按指标说，遮罩核对不了的宁可多遮

2026-10-06 09:20:09 +08:00

test_records.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_replay_side_effects.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_report_absence_claim.py

清单有省略时不许断言「没有数据」：写作规则加一条，核对认出缺失断言交回重写一次，仍有的只标注

2026-10-04 11:28:23 +08:00

test_report_catalog_budget.py

证据目录的省略警告照实说省略了什么：放不下不一定省略了查询。真实运行里查询全部列出、只是有的只列前几行，警告却写「0 次只列编号和摘要（）。写作模型看不到这些查询的明细」。现在分三种写：有查询只列编号和摘要的照旧；查询都列出、有的只列前几行的写「N 次查询都列出了数据，其中 M 次只列前 3 行」并按来源列次数；只省略了表和字段说明的照实说。事件多带 compact、compact_rows，各来源带 compact；时间线按同样三种写标题。另外把测试夹具、注释和 check-decode 里沿用的那次运行的真实查询次数换成虚构的次数或概括说法

2026-10-04 12:28:07 +08:00

test_report_cells.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_report_claims.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_report_datetime_display.py

报告里单元格的 ISO 日期时间显示成「2026-06-30 08:21:39」，只改显示

2026-10-04 11:33:09 +08:00

test_report_evidence_regression.py

修好报告证据回归测试的偶发失败：假模型按共用列表的最后一项（budgets[-1]）认这一次抽取要的额度，几个 Agent 并行抽取时，别的 Agent 刚要的大额度会算到这一个头上，该截断重试的这次成了一次过；改成额度跟着发起抽取的那个任务走（ContextVar）。单独连跑 30 次全过（以前约五到十二次挂一次），产品代码没有竞争

2026-10-12 14:26:43 +08:00

test_report_export_masked_metrics.py

报告导出成 HTML 时，升级前写的老文档里取自遮罩列的指标写「已遮罩」：正文引用了、证据目录里却还带着原值的那几个，按可验证报告认老文档的同一个判断（certain_masks + bundle/build.py 的 withheld_metric_aliases，只认确定取自遮罩列的）照现在的报告撰写节点的写法改写，正文、按钮提示和出处链里都不出现原值；普通指标照常，现在写的文档本来就是「已遮罩」

2026-10-13 10:04:30 +08:00

test_report_export.py

报告导出为自包含 HTML（数字点得开口径、来源、计算方式）；可验证报告的数字详情补齐口径卡一节

2026-10-10 12:59:21 +08:00

test_report_fenced.py

整篇包在 ``markdown 里、中间再套一段一样长的 ``sql 时照样去掉外层围栏：带信息串的一行开、不带的一行收，两两配对。以前一样长的内层围栏一律不去，模型最常见的这种写法仍是 0 句结论，裁判和反方审稿没有句子可审，正式运行照样出具

2026-10-06 13:32:38 +08:00

test_report_judge.py

结论句裁判改造：「不支持」拆成「证据相矛盾」和「证据不足」，补全交给裁判的证据，旧判定可按新规则重判

2026-09-30 10:04:52 +08:00

test_report_masked_any_table.py

M2 复核第 4 轮：报告自查认遮罩列和证据面板同一个口径，哪张表（含视图）里叫这个名字的列都算；结论句裁判的摘录按快照逐份遮确定取自遮罩列的列；没起别名、盖住全部结果列的表达式算确定取自遮罩列，值照收

2026-10-12 13:50:31 +08:00

test_report_masked_card_copies.py

期 5 验收修复 N1 第 4 轮：转抄上游口径卡按整张卡、每一次执行认（保守规则）；显示文字白名单收紧复核点名的几类，软换行和金额符号不再误伤

2026-10-12 23:01:09 +08:00

test_report_masked_cells.py

M2 复核第 3 轮：报告自查只查引用、别的表里同名的列不算；裁判摘录退回只按数据源设的遮罩列；收遮罩值只收确定取自遮罩列的值；遮罩分析和收到的值按快照工件记在进程里

2026-10-12 12:33:32 +08:00

test_report_masked_copy_any_run.py

期 5 验收修复 N1 第 4 轮：转抄上游口径卡按整张卡、每一次执行认（保守规则）；显示文字白名单收紧复核点名的几类，软换行和金额符号不再误伤

2026-10-12 23:01:09 +08:00

test_report_masked_copy_closure.py

期 5 验收修复 N1 第 4 轮：转抄上游口径卡按整张卡、每一次执行认（保守规则）；显示文字白名单收紧复核点名的几类，软换行和金额符号不再误伤

2026-10-12 23:01:09 +08:00

test_report_masked_metric_sure.py

期 5 验收修复 N1 第 2 轮：取自遮罩格的指标只按确定取自遮罩列的认、转抄上游口径卡的也认；显示文字核对不误判正常写法，总览有一项无法核对就不给绿色的通过

2026-10-12 19:09:50 +08:00

test_report_masked_metrics.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_report_masked_precision.py

M2 复核第 4 轮：报告自查认遮罩列和证据面板同一个口径，哪张表（含视图）里叫这个名字的列都算；结论句裁判的摘录按快照逐份遮确定取自遮罩列的列；没起别名、盖住全部结果列的表达式算确定取自遮罩列，值照收

2026-10-12 13:50:31 +08:00

test_report_masked_values.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_report_node.py

结论句判定不再误伤定义句；数字后面重复的单位、see 前面多余的空格在渲染时去掉

2026-09-30 15:03:31 +08:00

test_report_schema.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_report_see_placement.py

写作指引说清 [[see:]] 只放句末、码值写含义（A4、B4）：写作规则后面加两条，依据标记渲染后不显示，写进句子中间会留下「以 为依据」这样的断句；涉及码值时写含义（「作废记录」），不写码值本身，数字核对不放宽。组装报告时认出拿得准的句中写法（「以 [[see:…]] 为」「根据、按照、基于、参见、详见 [[see:…]]」）记 inline_see，交回写作者重写，重写不好也不判失败；助手写报告节点的指引同样写明这两条

2026-10-04 02:24:49 +08:00

test_report_sqlcheck_cells.py

降档时报告页顶部写明出具档位和原因（B5）：出具声明和 issuance 事件另带结构化的 sql_checks（哪次查询、问题、受影响的引用、对应的缺口），证据页签在报告上方放出具横幅，SQL 检查导致的降档单列一块写在显眼处、不在其余缺口里重复；不是完整出具时「N 个数字都有出处」不再画成绿色

2026-10-04 02:33:15 +08:00

test_retrieval_quality.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_review_verify_codes.py

期 4 复核修正（第 1 轮，后端）：预告组合先算个数再列、上限按每项算，核查 agent 的两个日志代码归类，未能反查的句数守住不多于无法判断

2026-10-06 09:31:00 +08:00

test_review.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_run_append.py

追加事件收紧几处，封存后追加的质询不计进运行用量。复核提出：停在审批时追加只看运行还停着，关于第一张审批卡的质询问完时运行可能已经批过它、停到了第二张上，问答照样写进去；没有终态事件的老封存运行追加之后 verify 由一致变成不一致；返回给调用方的事件 id 和库里的不一样；测试证明不了先落库再广播；封存后追加的质询平时不计用量，继续运行之后又被计进去。

2026-10-05 01:18:03 +08:00

test_run_data_versions.py

修好数据版本测试的偶发失败：几条断言靠「第二版的 100 不在报错原文里」证明没改用当前版本，原文里却带着十六进制的随机源名，约五百个名字就有一个含「100」，断言无缘无故变红（和并行、时序、文件句柄无关）；源名改成只有字母，另加一条守住这个约定

2026-10-05 18:45:59 +08:00

test_run_deadline.py

运行时限测试的两处说明对上代码：下游余量那条写剩 239 秒时不再开始（代码查的就是 239），慢写报告那条写明写报告的执行器换成了要 3 秒的替身

2026-10-06 14:32:30 +08:00

test_run_defaults.py

界面与交互全面翻修（前两波）：运行态有了 HUD 和时间轴，终态会收尾，全站令牌、组件、文案统一

2026-09-26 23:11:31 +08:00

test_run_launch.py

集成收尾：前端约定写入后端实际返回的形状（应用详情只对 manage 给草稿、补算计划与结果、按名字的钩子行、能力字段审阅），去掉多种字段名都认的兼容解析；钩子按（应用, 名字）、应用助手对话按（应用, 建立人）加唯一索引，迁移前去重，插入改在保存点里、撞上就改用已有的那一行；口径卡固定的版本也须已发布且未退役，记级别之前有正式运行凭据的老版本启动时补记为已发布；证据面板和应用视图按列名遮端点快照（同一个函数），不再整张表遮掉；待办计数带上最新一条的时间，新待办通知不再漏；非管理员的搭建者不出模型接入的改动按钮

2026-10-14 22:08:33 +08:00

test_run_options.py

运行记下选项快照和来源：runs 加 options（JSON，默认 {}）和 schedule_id（可空，建索引）两列。后面的核查设置要在发起时定下、整次运行沿用，审批停下期间改了设置，恢复和重放仍按发起时的（同 approval_default 的道理）；定时任务要能找回自己发起的运行。RunManager.start 收 options、schedule_id 并落库，选项先深拷一份，调用方之后改自己的 dict 不影响快照；选项非空时写进每一段的 run.started（进封存范围），为空时 run.started 和以前逐字相同；恢复、继续运行照运行记录沿用，节点从 RunContext.extra 的 run_options 读同一份拷贝。RunOut 带 schedule_id，GET /api/runs 可按 schedule_id 筛，launch_run 原样往下交。旧库走 _COLUMN_MIGRATIONS 补列，存量运行回填 {} 和 NULL；create_all 不碰已有的表，新列的索引另由 _INDEX_MIGRATIONS 补建，索引名和新库 create_all 建出来的相同

2026-10-05 00:07:07 +08:00

test_run_origin_ref.py

口径账本内核：运行封存后在后台比对已发布口径、逐个数标口径、按运行读的账本接口、来源链和导出留痕、统计 E1–E4

2026-10-16 14:02:55 +08:00

test_run_races.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_run_rejected.py

驳回不重试、不被「出错时继续」吞掉：人的决定照总方案 X9 收成被驳回

2026-10-16 12:46:35 +08:00

test_run_timing.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_run_tool_precheck.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_runs_api.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_runs_cancel_waiting.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_runs_origin_f2.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_runs_origin_tasks.py

应用平台集成（后端访问面）：开登录后使用者的问数据只能是探索运行、节点与工具白名单、查询结果在工具边界遮罩且数据源强制只读、记忆与知识库范围不能自选，运行流按运行判读权限；对话按建立人隔离（应用助手对话要 manage）；能力字段语义的审阅队列与批量审阅；按需视图每日上限登记为设置项；通用设置接口不再读写登录设置；运行带来源、按来源筛选，审批带待办 id（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_runtime_sqlcheck.py

报告直接引用没通过 SQL 检查的查询时出具降档：报告里引用的查询格子、表格和依据（含合并查询的输入）有错误级检查就记缺口；按出问题的那条查询归并，同一条查询算出几个指标、又被引用时只记一句并列出受影响的引用；运行日志也按查询归并成一行，带上受影响的指标、问题、检查结果、来源节点和要改的栏；写作目录里给这些查询标「存疑」

2026-10-04 01:52:24 +08:00

test_sandbox_errors.py

第三波收尾：跨模块整合、全站扫尾、检查脚本整合；网页工具认得本机代理的 fake-ip

2026-09-27 23:37:32 +08:00

test_schedule_fire_cursor.py

M4：触发历史的翻页游标写成 Z 结尾，照原样拼进查询串也能翻页

2026-10-07 00:02:15 +08:00

test_schedule_target.py

评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段）

2026-10-16 16:38:09 +08:00

test_scheduler_compare_guards.py

定时任务自动对比复核整改（后端）：只比成功的运行、按发起先后挑上一次成功的基准、和两边的封存绑定，对比挪到认领之前在锁外做并限时限并发；失败通知的处理行不再重复原因

2026-10-06 08:48:56 +08:00

test_scheduler_compare.py

运行对比的默认基准（GET /api/runs/{id}/compare/base）带上 previous：基准是不是紧挨着的上一次，取 pick_base 现成算好的那个值，和定时任务自动对比记下的 previous 同一个语义

2026-10-06 16:42:29 +08:00

test_scheduler_cron.py

定时任务小修：数字按 isdecimal 认，输入生成失败的原因不再说成模板写错

2026-10-05 08:50:57 +08:00

test_scheduler_flag.py

定时任务后台：三张表、输入模板、调度循环和 Webhook 推送，设置加「通知」一组

2026-10-05 08:37:57 +08:00

test_scheduler_inputs.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_scheduler_loop.py

定时任务遗留问题：失败通知不再许诺能继续运行、30 天前的触发停在审批上照样推送、调度循环测试不再依赖整分边界

2026-10-05 18:39:10 +08:00

test_scheduler_notice_rules.py

定时任务自动对比复核整改（后端）：只比成功的运行、按发起先后挑上一次成功的基准、和两边的封存绑定，对比挪到认领之前在锁外做并限时限并发；失败通知的处理行不再重复原因

2026-10-06 08:48:56 +08:00

test_scheduler_webhook.py

驳回不再记成失败（后端）：人的驳回收成 cancelled + end_reason=rejected，消费方都读这一个字段

2026-10-16 10:14:27 +08:00

test_schedules_api.py

评测执行的主干：后台评测、无头作答、评分、统计、对比与 A/B、清理（下一轮第 3 波 W3-c 第一段）

2026-10-16 16:38:09 +08:00

test_segment_missing_input.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_settings_apps_auth.py

普通用户建应用（后端）：

2026-10-15 12:09:29 +08:00

test_settings_notify.py

定时任务后台：三张表、输入模板、调度循环和 Webhook 推送，设置加「通知」一组

2026-10-05 08:37:57 +08:00

test_shutdown.py

服务重启不再把运行记成"用户取消"；接着跑也不再替人答掉下一个审批

2026-09-25 16:05:14 +08:00

test_signer_verified.py

导入清单的「是否认证」界面照记下的说：登录身份 / 未认证署名

2026-10-16 10:54:30 +08:00

test_source_versions_api.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_spend_ledger.py

全量回归抓到的两处：裁判那本账留回 judge._today 这个日历名字；冻结表结构快照时 ctx 不一定带目录视图

2026-10-16 11:04:41 +08:00

test_sql_binding.py

口径账本内核第一步：sql_semantics 加参数绑定与等价证明（bind_template / match_template）

2026-10-16 13:39:15 +08:00

test_sql_equivalence.py

口径账本内核第一步：sql_semantics 加参数绑定与等价证明（bind_template / match_template）

2026-10-16 13:39:15 +08:00

test_sql_guard_scan.py

可点击证据第三期：表名字段名和引文也点得开、可疑实体与结论句、受管门禁 G1–G5、证据审计导出

2026-09-29 05:26:34 +08:00

test_sql_guard.py

只读数据源真的只读了：WITH … DELETE 不再从首关键字下面钻过去，连接本身也写不进去

2026-09-25 14:44:56 +08:00

test_sql_semantics.py

M4 复核修正：规范化后不同的行带上所在的子句，ON 挂在 JOIN 那一行的末尾

2026-10-07 01:34:59 +08:00

test_sql_text_diff.py

M4 复核修正：规范化后不同的行带上所在的子句，ON 挂在 JOIN 那一行的末尾

2026-10-07 01:34:59 +08:00

test_sqlcheck.py

SQL 检查认时间列时带上 ENUM 的取值列表：PG 里类型名带 DATE 的枚举列，剖析不认是日期列、SQL 检查却认，两边对不上

2026-10-16 12:53:07 +08:00

test_sqlite_dqs.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00

test_step_budget.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_supervisor.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_table_imports_api_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_table_imports_api.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_table_versions_p2.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_table_versions_p3.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_table_versions.py

Excel 导入改造期 3：网格交互、自助修复、按期累积——每月的报表可以累积成一份跨月的表，漂移了点修复按钮就能接着导入，网格上框一块就能写进配方，版本页可以回滚、移除一期、清除原件

2026-10-02 07:38:44 +08:00

test_tabular.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_task_resume_errors.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_team_exhausted.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_team_live.py

界面与交互全面翻修（前两波）：运行态有了 HUD 和时间轴，终态会收尾，全站令牌、组件、文案统一

2026-09-26 23:11:31 +08:00

test_template_traceable.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_text_columns.py

可点击证据第二期：取数链路打通、问数据的答案逐段可点；发布前自动修复

2026-09-28 21:20:04 +08:00

test_thinking.py

工具调用失败能自救；agent 改成一步一个工具

2026-09-18 17:57:20 +08:00

test_tool_args.py

M4：db_schema 认整个写成一个字符串的 JSON 数组的表名

2026-10-07 00:02:15 +08:00

test_tool_deadline.py

应用平台 BE-2 流程：待办服务（派给谁、any/all/quorum 汇总、条件 UPDATE 抢恢复、提醒升级超时驳回、审批接口改为垫片、存量补建），人工节点新配置与校验，写外部系统的动作流程（生效记录先写后发、确认卡哈希、结果未知挂起与核实、永不自动重发），重放豁免与升级安全测试，正式运行不许带图接着跑、接着跑不覆盖发起人（F2），运行来源，通知发送核心与渠道，入站签名钩子，process.* 检查，报销审批模板，假外部系统（含统一复核后的修复）

2026-10-14 20:05:23 +08:00

test_tool_evidence.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_tool_node_snapshot_owner.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_tool_trust.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_transform_json_error.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_truncated_results.py

测试里建的数据源用完就删：留在共用测试库里的源会混进助手的数据源清单、触发挑表，别的用例的结果随执行顺序变

2026-10-03 11:09:09 +08:00

test_upgrade_assist.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_upgrade_evidence.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_usage_meter.py

生成过程抽成 answer_ops、复核抽成 review_of_run，助手建图和复核的用量也记下（细案 01 做法 2、3）：评测和问数据页走同一条生成路径，这一轮的花费不再低报

2026-10-16 10:45:45 +08:00

test_user_chat_access.py

普通用户建应用集成收尾：

2026-10-15 13:55:19 +08:00

test_valid_filter_quote.py

大库的 look 预筛与按需加入、剖析事实四处一致、有效记录条件按 quote_name 加引号的测试；对象索引批量更新改走按表的 executemany

2026-10-16 14:26:04 +08:00

test_validate_repair.py

第三波前两批：六个「看着成功其实没干活」的平台漏洞堵上，记录页能回放，管理页与画布收尾

2026-09-27 10:16:32 +08:00

test_validation_text.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_variables.py

界面文案整改：口语改书面、术语统一、不再露出实现细节；修掉几处说错的提示；新增文案检查防回潮

2026-09-30 08:05:15 +08:00

test_verify_agent_masking.py

K3 复核修正（第 3 轮）：写了库名的表按「库名.表名」查表结构；UNION 第一支按表结构数出的列名要和后面每一支一样宽才用；整行引用、函数参数里的 *、表的列名表、TABLE x、PIVOT 这类认得出

2026-10-06 21:50:48 +08:00

test_verify_agent.py

核查 agent 复核修正：数值字段的各种写法都换成格子引用、认不出的结构下的数不采信；退回普通调用时把结构写进消息，没交的字段不再算「查不到」；收尾的钱按最贵的样子留、留过的不再被上限拦；永远不抛

2026-10-05 01:46:55 +08:00

test_verify_deadline.py

运行时限测试的两处说明对上代码：下游余量那条写剩 239 秒时不再开始（代码查的就是 239），慢写报告那条写明写报告的执行器换成了要 3 秒的替身

2026-10-06 14:32:30 +08:00

test_verify_labels.py

双盲复算、反方审稿的字段与取值叫法挪到 labels.py：field_label、option_label 按节点类型说「盲算模型」「结论被推翻时」「只标注」这些检查器上的叫法，发布门禁、升级预览不再说成通用的「模型」「启用」；schema.py 照旧再导出，校验和执行器的报错取同一份

2026-10-05 18:45:44 +08:00

test_verify_rationale_rules.py

M1 复核修正（第 3 轮）：依据两边什么都没有时也判粘连，两个数不再并成一个；只装着依据的括号认【】［］〔〕[]；右边紧贴着下文的半角逗号后面补空格

2026-10-12 12:24:14 +08:00

test_verify_schema_table_arg.py

M4：db_schema 认整个写成一个字符串的 JSON 数组的表名

2026-10-07 00:02:15 +08:00

test_verify_settings.py

测试：设置被整体拒收的两条断言改为比较请求前后的主题，不再假定同一测试进程里别的测试没改过它（并行全量时按顺序偶发失败）

2026-10-14 22:17:00 +08:00

test_verify_settle_timeout.py

M1 复核修正（第 1 轮）：去掉只装着依据的括号不再把两边的数字粘成另一个数；括号去掉之后外面照一个依据再收拾；换行不算句末；核查 agent 的理由按渲染后的正文判有没有给；反方审稿收尾超时按时长上限说

2026-10-07 01:19:26 +08:00

test_verify_spend.py

核查花费账：engine/spend.py 照结论句裁判的每日计数做一本核查用的每日账（设置表 verify_spend 一行，按本地日期滚动）。调用前按估算预留，加上这笔会超过每日上限就不记、返回 None，上限为 None 表示不限；调用后按实际用量找补，跨了天不找补；价格目录里没有的模型只计次数。和裁判分开记：核查一次要查好几轮库、花得多，记在同一本账上会把当天的裁判挤到判不了、让报告出具无故降档。读改写按事件循环各持一把锁，并发预留不会一起越过上限

2026-10-05 00:06:03 +08:00

test_verify_truncation.py

核查截断的回复一律不采信，触顶原因的先后照旧，截断的建议按模型从哪来的说

2026-10-06 14:30:03 +08:00

test_version_level.py

可点击证据第三期：表名字段名和引文也点得开、可疑实体与结论句、受管门禁 G1–G5、证据审计导出

2026-09-29 05:26:34 +08:00

test_web_dist.py

生产部署：prod.sh 直接运行，package-docker.sh 打 Docker 离线包（镜像 + 一键部署脚本 + 配置 + 说明）

2026-09-30 09:48:16 +08:00

test_web_security.py

安全响应头：所有 HTTP 响应补 nosniff、Referrer-Policy 和 CSP frame-ancestors，页面只上报严格的 script-src

2026-10-16 10:17:37 +08:00

test_whatif_api.py

端到端验收修复与指标出具：

2026-10-15 07:15:37 +08:00

test_whatif_masked_values.py

期 5 验收修复 N1：取自遮罩格的口径卡指标不进报告文档和可验证报告；显示文字核对堵住紧挨着改字的绕过

2026-10-12 17:23:27 +08:00

test_whatif_selection.py

数字推演复核修正（第 2 轮，后端）：整个指标推演不了的不改动也照实说，完整值找不回来的数组排除行后不再报「无变化」

2026-10-05 06:49:33 +08:00

test_workflow_delete_guard.py

界面与交互全面翻修（前两波）：运行态有了 HUD 和时间轴，终态会收尾，全站令牌、组件、文案统一

2026-09-26 23:11:31 +08:00

test_workflow_pins_process.py

应用平台集成（后端应用与流程）：身份断言 sub 为发起人、确认人进 act；应用助手对话（取或建、带历史）与助手润色只能改呈现；按新口径补算（只对无副作用的视图、加锁、同一输入只补一次）；钩子按名字关联、入站按发布版声明认；应用详情只对 manage 给草稿与岗位绑定；删工作流的阻挡算上已退役版本；待办恢复失败退回待处理；调用工具节点作证核对快照归属；子图固定版本须已发布且未退役（发起与发布检查都查）；视图里端点快照按能力的遮罩字段遮（含统一复核后的修复）

2026-10-14 21:55:51 +08:00

test_workflow_restore.py

最终验收：148 项逐条复核（原审查 142 条 + 平台问题 6 条），返工后 145 项解决

2026-09-28 02:42:40 +08:00

test_workflow_run_count.py

M4：单个工作流接口的 run_count 和列表接口按同一个函数算

2026-10-06 23:56:31 +08:00

test_xlsx_cells.py

Excel 导入改造期 2：配方引擎与确认向导——表从哪一行哪一列开始、哪些是合计、日期怎么补年份，都写进一份可校验的配方；首次导入经人确认，之后每期按配方重放并核对

2026-10-01 22:00:07 +08:00

test_xlsx_scan.py

Excel 导入改造期 1：止血与版本底座——写错的列名不再静默得 0，导入不再悄悄读错，每次上传生成不可变的版本，运行固定发起时的数据版本

2026-10-01 13:42:04 +08:00